论文部分内容阅读
互联网的发展与科技的进步给人们生活带来了极大便利,但同时也带来了信息过载的问题。当前解决信息过载的手段主要是个性化推荐系统技术。其中,协同过滤推荐技术自其提出之日起就始终是人们研究的重点。为提高推荐系统的推荐准确性,许多学者通过引入新的影响因素或创新推荐模型来优化推荐系统。近年来,越来越多的学者借助于二部图理论对协同过滤模型进行优化。本文在二部图理论和协同过滤思想之上,进一步加入资源二次分配理论,构建了准确度较高的物品相似矩阵,进一步优化了协同过滤推荐技术。通过Movielens数据集的验证可知,改进后的推荐模型能够明显提高推荐准确率。本文的主要研究成果如下:
(1)构建了低维度、高准确性的物品-分类模型。基于奇异值分解理论,将原始评分矩阵转化为物品在各个维度上的评分矩阵,每个维度可被视为物品的一个潜在分类。然后通过控制变量法对物品的潜在分类数进行了优化。通过对优化后的物品-分类矩阵进行分析可知,该分类结果是合理的,可以作为构建物品-分类二部图的基础。
(2)构建了准确度较高的物品相似矩阵,优化了协同过滤算法。将所构建的物品-分类矩阵映射为物品-分类二部图,然后将物品对分类的评分转换为二部图中边的权重,从而构建了加权二部图。基于该加权二部图,通过资源二次分配理论构建了物品相似矩阵。将物品相似矩阵与基于物的协同过滤算法相结合,有效的优化了协同过滤算法。
(1)构建了低维度、高准确性的物品-分类模型。基于奇异值分解理论,将原始评分矩阵转化为物品在各个维度上的评分矩阵,每个维度可被视为物品的一个潜在分类。然后通过控制变量法对物品的潜在分类数进行了优化。通过对优化后的物品-分类矩阵进行分析可知,该分类结果是合理的,可以作为构建物品-分类二部图的基础。
(2)构建了准确度较高的物品相似矩阵,优化了协同过滤算法。将所构建的物品-分类矩阵映射为物品-分类二部图,然后将物品对分类的评分转换为二部图中边的权重,从而构建了加权二部图。基于该加权二部图,通过资源二次分配理论构建了物品相似矩阵。将物品相似矩阵与基于物的协同过滤算法相结合,有效的优化了协同过滤算法。